如何从下载的页面中删除所有html标签

Question

我已经使用urlopen下载了一个页面.如何从中删除所有html标签？是否有任何正则表达式替换所有<*>标签？

Answer 1

我还可以推荐BeautifulSoup,它是一个易于使用的html解析器.在那里你会做类似的事情:

from BeautifulSoup import BeautifulSoup

soup = BeautifulSoup(html)
all_text = ''.join(soup.findAll(text=True))

这样您就可以从html文档中获取所有文本.

Answer 2

有一个很棒的python库叫做漂白剂.下面的调用将删除所有html标记,保留其他所有内容(但不删除不可见的标记内的内容).

bleach.clean(thestring, tags=[], attributes={}, styles=[], strip=True)

Answer 3

一个非常简单的正则表达式是：

import re
notag = re.sub("<.*?>", " ", html)

此解决方案的缺点是它不会删除 javascript 或 css，而仅删除标签。